Résumé: Les données des trackers de fitness peuvent détecter les épisodes d’humeur chez les personnes atteintes de trouble bipolaire avec une précision allant jusqu’à 89,1 % pour la manie et 80,1 % pour la dépression. Les chercheurs ont utilisé des données collectées passivement et non invasives et des algorithmes d’apprentissage automatique pour identifier les changements d’humeur, démontrant ainsi le potentiel d’une surveillance en temps réel.
Ces résultats pourraient améliorer les soins cliniques en alertant les prestataires de soins des épisodes d’humeur entre les rendez-vous, permettant ainsi une intervention plus rapide. L’approche évolue vers des algorithmes personnalisés qui pourraient largement prendre en charge les patients sans nécessiter de dispositifs spécialisés ni de partage de données invasif.
Faits clés:
- Les données du tracker de fitness ont détecté la manie avec une précision de 89,1 % et la dépression avec 80,1 %.
- L’étude a utilisé des données non invasives collectées passivement pour une application clinique réelle.
- Des algorithmes pourraient alerter les cliniciens des épisodes d’humeur, améliorant ainsi le traitement du trouble bipolaire.
Source: Hôpital Brigham et femmes
Les enquêteurs du Brigham and Women’s Hospital, membre fondateur du système de santé Mass General Brigham, ont évalué si les données collectées à partir d’un tracker de fitness pouvaient être utilisées pour détecter avec précision les épisodes d’humeur chez les personnes atteintes de trouble bipolaire.
Leurs conclusions, publiées dans Acta Psychiatrica Scandinavicaindiquent qu’il est possible de détecter avec une grande précision les intervalles de temps pendant lesquels les patients atteints de trouble bipolaire souffrent de dépression ou de manie à l’aide des données provenant d’appareils de suivi de la condition physique.
« La plupart des gens se déplacent avec des appareils numériques personnels comme des smartphones et des montres intelligentes qui capturent des données quotidiennes susceptibles d’éclairer un traitement psychiatrique.
« Notre objectif était d’utiliser ces données pour identifier le moment où les participants à l’étude diagnostiqués avec un trouble bipolaire connaissaient des épisodes d’humeur », a déclaré l’auteur correspondant Jessica Lipschitz, PhD, chercheuse au département de psychiatrie de Brigham. « À l’avenir, nous espérons que les algorithmes d’apprentissage automatique comme le nôtre pourront aider les équipes de traitement des patients à réagir rapidement aux épisodes nouveaux ou incessants afin de limiter l’impact négatif. »
Le trouble bipolaire (TB) est un trouble psychiatrique chronique caractérisé par des sautes d’humeur extrêmes, notamment la dépression, la manie et l’hypomanie, suivies de périodes de rémission. L’identification et le traitement des épisodes d’humeur nouveaux et incessants sont essentiels pour limiter l’impact de la MB sur la vie des patients.
Alors que des recherches antérieures ont indiqué que les appareils numériques personnels peuvent détecter avec précision les épisodes d’humeur, les études précédentes n’ont pas utilisé de méthodes conçues pour une large application en milieu clinique.
En tant que scientifique de la mise en œuvre, Lipschitz et ses collègues se sont concentrés sur l’utilisation de méthodes susceptibles d’être largement mises en œuvre dans la pratique clinique. Plus précisément, ils ont utilisé des appareils numériques personnels disponibles dans le commerce, un filtrage limité des données et des données entièrement collectées passivement et non invasives.
En appliquant un nouveau type d’algorithme d’apprentissage automatique, ils ont pu détecter des symptômes cliniquement significatifs de dépression avec une précision de 80,1 % et des symptômes cliniquement significatifs de manie avec une précision de 89,1 %.
Les chercheurs notent que « dans l’ensemble, les résultats font progresser le domaine vers des algorithmes personnalisés adaptés à l’ensemble de la population de patients, plutôt qu’à ceux présentant une observance élevée, un accès à des appareils spécialisés ou une volonté de partager des données invasives ».
Leur prochaine étape consiste à appliquer ces algorithmes prédictifs aux soins de routine, où ils pourraient être utilisés pour améliorer le traitement de la MB en informant les cliniciens lorsque leurs patients connaissent des épisodes dépressifs ou maniaques entre les rendez-vous programmés. Les chercheurs ont également travaillé à étendre ces travaux au trouble dépressif majeur.
Paternité: Outre Lipschitz, les auteurs de Mass General Brigham incluent Chelsea K Pike et Katherine E. Burdick. Les autres auteurs incluent Sidian Lin et Soroush Saghafian.
Divulgations : Burdick est président du comité directeur et directeur scientifique du réseau intégré de la fondation à but non lucratif Breakthrough Discoveries for Thriving with Bipolar Disorder (BD^2) et reçoit des subventions et des honoraires à ce titre et a également reçu des honoraires. en tant que membre du conseil consultatif scientifique de Merck au cours des 12 derniers mois, mais ne déclare aucun intérêt financier concurrent.
Lipschitz est consultant auprès de Solara Health Inc., mais ne déclare aucun intérêt financier concurrent. Tous les autres auteurs ne déclarent aucun intérêt concurrent, financier ou non financier.
Financement: Cette recherche a été financée par une subvention pour jeunes chercheurs de la Brain & Behaviour Research Foundation (n° 28537 ; à JML), une subvention du programme de subventions de démarrage pour les troubles bipolaires de la Harvard Brain Science Initiative et une bourse de recherche Pathways d’Alkermes, Inc. Les données la collecte pour l’étude longitudinale a été financée en partie par le Baszucki Brain Research Fund (au KEB) et le programme de subventions de démarrage pour les troubles bipolaires de la Harvard Brain Science Initiative (au KEB).
De plus, le temps de Lipschitz a été partiellement financé par la subvention MH120324 de l’Institut national de la santé mentale (NIMH). Le temps de Saghafian a été partiellement financé par une subvention du programme scientifique Koweït de l’Initiative pour le Moyen-Orient de Harvard, qui vise à améliorer la santé de la population via l’apprentissage automatique et les interventions de santé mobile basées sur l’IA.
Les organismes de financement n’ont joué aucun rôle dans la conception de l’étude, la collecte de données, l’analyse et l’interprétation des données, ni dans la rédaction de ce manuscrit.
À propos de ce trouble bipolaire et de l’actualité de la recherche en neurotechnologies
Auteur: Cassandra Falone
Source: Hôpital Brigham et femmes
Contact: Cassandra Falone – Hôpital Brigham et pour femmes
Image: L’image est créditée à Neuroscience News
Recherche originale : Accès fermé.
« Phénotypage numérique dans le trouble bipolaire : utilisation des données longitudinales Fitbit et de l’apprentissage automatique personnalisé pour prédire la symptomatologie de l’humeur» par Jessica Lipschitz et al. Acta Psychiatrica Scandinavica
Abstrait
Phénotypage numérique dans le trouble bipolaire : utilisation des données longitudinales Fitbit et de l’apprentissage automatique personnalisé pour prédire la symptomatologie de l’humeur
Arrière-plan
Un traitement efficace du trouble bipolaire (TB) nécessite une réponse rapide aux épisodes d’humeur. Des études préliminaires suggèrent que les prédictions basées sur les données de capteurs passifs provenant d’appareils numériques personnels peuvent détecter avec précision les épisodes d’humeur (par exemple, entre les rendez-vous de soins de routine), mais les études à ce jour n’utilisent pas de méthodes conçues pour une application à grande échelle.
Cette étude a évalué si une nouvelle approche d’apprentissage automatique personnalisée, entièrement formée sur des données Fitbit passives, avec un filtrage des données limité, pouvait détecter avec précision la symptomatologie de l’humeur chez les patients BD.
Méthodes
Nous avons analysé les données de 54 adultes atteints de MB, qui portaient des Fitbits et ont effectué des mesures d’auto-évaluation bimensuelles pendant 9 mois. Nous avons appliqué des modèles d’apprentissage automatique (ML) aux données Fitbit agrégées sur des fenêtres d’observation de deux semaines pour détecter les occurrences de symptomatologie dépressive et (hypo)maniaque, qui ont été définies comme des fenêtres de deux semaines avec des scores supérieurs aux seuils cliniques établis pour le questionnaire sur la santé des patients. 8 (PHQ-8) et Altman Self-Rating Mania Scale (ASRM), respectivement.
Résultats
Comme supposé, parmi plusieurs algorithmes de ML, la forêt de modèle mixte binaire (BiMM) a atteint la zone sous la courbe de fonctionnement du récepteur (ROC-AUC) la plus élevée dans le processus de validation. Dans l’ensemble des tests, le ROC-AUC était de 86,0 % pour la dépression et de 85,2 % pour l'(hypo)manie.
En utilisant des seuils optimisés calculés avec la statistique J de Youden, la précision prédictive était de 80,1 % pour la dépression (sensibilité de 71,2 % et spécificité de 85,6 %) et de 89,1 % pour l'(hypo)manie (sensibilité de 80,0 % et spécificité de 90,1 %).
Conclusion
Nous avons obtenu de bonnes performances dans la détection de la symptomatologie de l’humeur chez les patients MB en utilisant des méthodes conçues pour une large application. Les résultats s’appuient sur la preuve que les données Fitbit peuvent produire des prédictions précises sur la symptomatologie de l’humeur. De plus, à notre connaissance, il s’agit de la première application de la forêt BiMM pour la prédiction des symptômes de l’humeur.
Dans l’ensemble, les résultats font progresser le domaine vers des algorithmes personnalisés adaptés à l’ensemble de la population de patients, plutôt qu’à ceux présentant une observance élevée, un accès à des appareils spécialisés ou une volonté de partager des données invasives.